CN110781904B - 车辆颜色识别方法、装置、计算机设备和可读存储介质 - Google Patents
车辆颜色识别方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN110781904B CN110781904B CN201911003792.7A CN201911003792A CN110781904B CN 110781904 B CN110781904 B CN 110781904B CN 201911003792 A CN201911003792 A CN 201911003792A CN 110781904 B CN110781904 B CN 110781904B
- Authority
- CN
- China
- Prior art keywords
- training
- channel
- saturation
- hue
- lightness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Color Image Communication Systems (AREA)
Abstract
本申请实施例提供了一种车辆颜色识别方法、装置、计算机设备和可读存储介质,车辆颜色识别方法包括:获取目标车辆的RGB图像,将目标车辆的RGB图像转化为目标HSV图像,其中,目标HSV图像包括目标色调通道、目标饱和度通道和目标明度通道;将目标色调通道、目标饱和度通道和目标明度通道输入预先构建的卷积神经网络中进行颜色判别,计算得到色调判别结果、饱和度判别结果和明度判别结果;根据色调判别结果、饱和度判别结果和明度判别结果,计算得到目标车辆的颜色,能够较可靠地获取目标车辆的颜色。
Description
技术领域
本申请涉及图像识别领域,具体而言,涉及一种车辆颜色识别方法、装置、计算机设备和可读存储介质。
背景技术
目前,对于车辆颜色的识别,大多采用类似支持向量机(Support VectorMachine,SVM)这样的传统机器学习方法,而传统机器学习主要用于有限样本情况下对车辆颜色进行分类。由于现在车辆的数量庞大且增长迅速,基于传统机器学习的识别方法在实际应用中效率较低且容易出错。
有鉴于此,如何提供一种更为可靠的车辆颜色识别方案,是本领域技术人员需要考虑的。
发明内容
本申请实施例提供了一种车辆颜色识别方法、装置、计算机设备和可读存储介质。
本申请的实施例可以这样实现:
第一方面,本申请实施例提供一种车辆颜色识别方法,包括:
获取目标车辆的RGB图像,将所述目标车辆的RGB图像转化为目标HSV图像,其中,所述目标HSV图像包括目标色调通道、目标饱和度通道和目标明度通道;
将所述目标色调通道、目标饱和度通道和目标明度通道输入预先构建的卷积神经网络中进行颜色判别,计算得到色调判别结果、饱和度判别结果和明度判别结果;
根据所述色调判别结果、饱和度判别结果和明度判别结果,计算得到所述目标车辆的颜色。
在可选的实施方式中,所述卷积神经网络通过以下步骤构建:
获取目标车辆的HSV训练图像和目标车辆的HSV测试图像,所述目标车辆的HSV训练图像包括训练色调通道、训练饱和度通道和训练明度通道,所述目标车辆的HSV测试图像包括测试色调通道、测试饱和度通道和训练明度通道;
将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练和参数更新;
将所述目标车辆的HSV测试图像包括的测试色调通道、测试饱和度通道和训练明度通道输入经过网络训练和参数更新的待训练的卷积神经网络中,判断所述经过网络训练和参数更新的待训练的卷积神经网络的输出结果的准确率是否满足预设要求,若满足,则将所述经过网络训练和参数更新的待训练的卷积神经网络作为所述预先构建的卷积神经网络,若不满足,则调整所述待训练的卷积神经网络的超参数,并返回执行所述将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练和参数更新的步骤,直至经过网络训练和参数更新的待训练的卷积神经网络的输出结果的准确率满足预设要求。
在可选的实施方式中,所述待训练的卷积神经网络包括第一卷积层、第二卷积层、第一池化层、第二池化层和全局连接层,将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练的步骤包括:
将所述训练色调通道、训练饱和度通道和训练明度通道输入所述第一卷积层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第一训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第一训练特征图像输入所述第一池化层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第二训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第二训练特征图像输入所述第一池化层和第二卷积层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第三训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第三训练特征图像输入所述第二池化层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第四训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第四训练特征图像输入所述全局连接层,输出得到训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果;
根据所述训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果,判断所述待训练的卷积神经网络初步训练是否完成。
在可选的实施方式中,所述判断所述待训练的卷积神经网络初步训练是否完成包括:
根据所述训练色调通道判定结果计算得到训练色调通道的损失函数,根据所述训练饱和度通道判定结果计算得到训练饱和度通道的损失函数,根据所述训练明度通道计算得到训练明度通道的损失函数;
判断所述训练色调通道的损失函数、训练饱和度通道的损失函数和训练明度通道的损失函数的数值是否达到各自对应的预设损失函数阈值,若达到,则判定所述待训练的卷积神经网络初步训练完成,若未达到,则调整所述第一卷积层和第二卷积层的数据,并返回执行所述将所述训练色调通道、训练饱和度通道和训练明度通道输入所述第一卷积层至输出得到训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果的步骤,直至所述训练色调通道的损失函数、训练饱和度通道的损失函数和训练明度通道的损失函数的数值达到各自对应的预设损失函数阈值。
在可选的实施方式中,所述获取目标车辆的RGB图像包括:
获取包含待处理目标车辆的RGB图像的图像;
根据YOLO网络从所述包含待处理目标车辆的RGB图像的图像中裁剪得到待处理目标车辆的RGB图像;
将所述待处理目标车辆的RGB图像调整至预设大小,得到所述目标车辆的RGB图像。
在可选的实施方式中,所述目标车辆的RGB图像的预设大小为240×240,所述第一卷积层的卷积核大小为3×3,步长为1,内边距为1,所述第二卷积层的卷积核大小为5×5,步长为1,内边距为2,所述第一池化层为2×2的最大池化层,所述第二池化层为5×5的平均池化层。
在可选的实施方式中,所述待训练的卷积神经网络的超参数包括学习率、批处理尺寸和迭代次数。
第二方面,本申请实施例提供一种车辆颜色识别装置,包括:
获取模块,用于获取目标车辆的RGB图像,将所述目标车辆的RGB图像转化为目标HSV图像,其中,所述目标HSV图像包括目标色调通道、目标饱和度通道和目标明度通道;
计算模块,用于将所述目标色调通道、目标饱和度通道和目标明度通道输入预先构建的卷积神经网络中进行颜色判别,计算得到色调判别结果、饱和度判别结果和明度判别结果;
判定模块,用于根据所述色调判别结果、饱和度判别结果和明度判别结果,计算得到所述目标车辆的颜色。
第三方面,本申请实施例提供一种计算机设备,所述计算机设备包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述计算机设备执行前述实施方式中任意一项所述的车辆颜色识别方法。
第四方面,本申请实施例提供一种可读存储介质,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在计算机设备执行前述实施方式中任意一项所述的车辆颜色识别方法。
本申请实施例的有益效果包括,例如:
采用本申请实施例提供的车辆颜色识别方法、装置、计算机设备和可读存储介质,通过将目标车辆的RGB图像巧妙地转化为目标HSV图像,并将目标HSV图像包括的目标色调通道、目标饱和度通道和目标明度通道输入到预先设定的卷积神经网络中进行颜色识别,进而能够根据卷积神经网络网络输出的色调判别结果、饱和度判别结果和明度判别结果,可靠地计算得到所述目标车辆的颜色。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的车辆识别方法的步骤流程示意图;
图2为本申请实施例提供的卷积神经网络的结构示意图;
图3为本申请实施例提供的车辆识别装置的结构示意框图;
图4为本申请实施例提供的计算机设备的结构示意框图。
图标:100-计算机设备;110-车辆颜色识别装置;1101-获取模块;1102-计算模块;1103-判定模块;111-存储器;112-处理器;113-通信单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
目前,对于车辆颜色的识别应用越来越广泛,例如锁定违章车辆(需要获取某一时间段某区域黑色的汽车)或者违章***确定违章人员(车牌号-车辆颜色-驾驶人员等信息是绑定的)等情况。然而随着车辆数量快速增加,基于传统机器学习的识别方法已经无法满足实际应用的需求,基于此,本申请实施例提供一种车辆颜色识别方法,请参照图1,该方法包括步骤S201至步骤S203。
步骤S201,获取目标车辆的RGB图像,将所述目标车辆的RGB图像转化为目标HSV图像,其中,所述目标HSV图像包括目标色调通道、目标饱和度通道和目标明度通道。
步骤S202,将所述目标色调通道、目标饱和度通道和目标明度通道输入预先构建的卷积神经网络中进行颜色判别,计算得到色调判别结果、饱和度判别结果和明度判别结果。
步骤S203,根据所述色调判别结果、饱和度判别结果和明度判别结果,计算得到所述目标车辆的颜色。
RGB图像是利用物理学中的三原色叠加原理获取,可以显示各种颜色,通常用于显示器***,本实施例中的包含目标车辆的图像的来源大多也是由监控设备获取然后显示到显示器上的图案,而HSV图像是包含色度、饱和度、亮度三个方面。色度通常用来从宏观上区分某一种颜色,例如:白、黄、青、绿、品红、红、蓝、黑等就是色度;饱和度指的是颜色的纯度,通常情况下,颜色越鲜艳,饱和度越高,颜色越暗淡,饱和度越低;亮度指的是颜色的明暗程度,亮度越高,颜色越亮,亮度越低,颜色越暗。HSV颜色空间不适合显示器***,但是更符合人眼的视觉特性(什么颜色(H),深浅度如何(S),亮度如何(V))。两者相比,RGB图像的颜色空间直接可以显示,但是它的缺点是相互的依赖性更强,任何一个颜色度必须考虑3个分量;但在HSV图像的颜色空间中,H和S分量就代表了色彩信息。且RGB颜色对光强的变化较为敏感,而在颜色识别中,不同光照强度对颜色的影响又是必须克服的,可以将目标车辆的RGB图像转化为目标HSV图像进行后续处理。
将目标色调通道、目标饱和度通道和目标明度通道分别输入预先构建的卷积神经网络中进行颜色判别,可以计算得到色调判别结果、饱和度判别结果和明度判别结果,可以将这三个结果采用机器学习中的投票法进行进一步计算,得到目标车辆的颜色。
在前述基础上,本实施例提供一种构建卷积神经网络的示例,可以通过以下步骤构建:
获取目标车辆的HSV训练图像和目标车辆的HSV测试图像,所述目标车辆的HSV训练图像包括训练色调通道、训练饱和度通道和训练明度通道,所述目标车辆的HSV测试图像包括测试色调通道、测试饱和度通道和训练明度通道。
将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练和参数更新。
将所述目标车辆的HSV测试图像包括的测试色调通道、测试饱和度通道和训练明度通道输入经过网络训练和参数更新的待训练的卷积神经网络中,判断所述经过网络训练和参数更新的待训练的卷积神经网络的输出结果的准确率是否满足预设要求,若满足,则将所述经过网络训练和参数更新的待训练的卷积神经网络作为所述预先构建的卷积神经网络,若不满足,则调整所述待训练的卷积神经网络的超参数,并返回执行所述将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练和参数更新的步骤,直至经过网络训练和参数更新的待训练的卷积神经网络的输出结果的准确率满足预设要求。
而待训练的卷积神经网络的超参数可以包括学习率、批处理尺寸和迭代次数。其中,学习率可以指在每次训练(迭代)过程中参数更新的幅度,也可以说是步长,批处理尺寸可以是指一个批次中样本的数量(即HSV测试图像的数量)。在卷积神经网络中,对于所有的训练样本,既不是使所有样本同时通过卷积神经网络,也不一定是一张一张地来通过网络。而是要找到一个合适的值,比如26个样本。在每次迭代中,都会依次挑选HSV测试图像中的64张样本,通过网络,直到HSV测试图像中的所有样本都经过了这个网络,本次迭代完成(完成一次训练)。迭代次数可以是卷积神经网络的训练次数。因为每次迭代都会更新一次网络参数,进而影响结果,所可以在卷积神经网络的输出结果的准确率不再提高时,确定所需的迭代次数了。
在本实施例中,可以分别设置目标车辆的HSV训练图像和目标车辆的HSV测试图像来完成对待训练的卷积神经网络的训练,可以将HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入到卷积神经网络中进行训练,在使用HSV训练图像对待训练的卷积神经网络进行网络训练和参数更新后,可以再将HSV测试图像输入该卷积神经网络,判断由目标车辆的HSV测试图像包括的测试色调通道、测试饱和度通道和训练明度通道输入经过网络训练和参数更新的待训练的卷积神经网络后输出的结果的准确率是否满足预设要求,在满足预设要求时,可以认为卷积神经网络训练完成,已经具备较为精确的识别车辆颜色的功能。
在此基础上,本实施例提供了一种卷积神经网络的示例,请参照图2,所述待训练的卷积神经网络包括第一卷积层、第二卷积层、第一池化层、第二池化层和全局连接层,基于此,本实施例提供了将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练的示例,可以通过如下步骤实现:
将所述训练色调通道、训练饱和度通道和训练明度通道输入所述第一卷积层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第一训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第一训练特征图像输入所述第一池化层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第二训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第二训练特征图像输入所述第一池化层和第二卷积层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第三训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第三训练特征图像输入所述第二池化层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第四训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第四训练特征图像输入所述全局连接层,输出得到训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果。
根据所述训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果,判断所述待训练的卷积神经网络初步训练是否完成。
应当理解的是,在本实施例,经过了上述将所述训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行训练后的卷积神经网络,已经可以具备对车辆的颜色进行判断的功能,训练是一个拟合数据的过程,拟合的是训练集中的数据,完成上述初步训练之后,是可以直接使用的,在初步训练后,还可以进一步地采用目标车辆的HSV测试图像完成对待测试的卷积神经网络的完整的训练。
具体的,目标车辆的RGB图像的预设大小可以为240×240,所述第一卷积层的卷积核大小(filter size)可以为3×3,步长(stride)可以为1,内边距(padding)可以为1,所述第二卷积层的卷积核大小可以为5×5,步长可以为1,内边距可以为2,所述第一池化层可以为2×2的最大池化层(max pooling),所述第二池化层可以为5×5的平均池化层(avgpooling)。在训练色调通道、训练饱和度通道和训练明度通道输入第一卷积层后,经过卷积计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的240×240大小的第一训练特征图像,然后输入第一池化层,得到训练色调通道、训练饱和度通道和训练明度通道各自对应的120×120大小的第二训练特征图像,再输入值第二卷积层和第一池化层,得到训练色调通道、训练饱和度通道和训练明度通道各自对应的60×60大小的第三训练特征图像,再输入第二池化层,得到训练色调通道、训练饱和度通道和训练明度通道各自对应的12×12大小的第四训练特征图像,最后将12×12大小的第四训练特征图像输入全局连接层(全局连接层可以设置八种颜色,例如白、黄、青、绿、品红、红、蓝、黑,即8class),便会分别输出训练色调通道、训练饱和度通道和训练明度通道各自对应的训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果(为八个颜色中的一个)。
在前述对待训练的卷积神经网络进行处理的基础上,本实施例提供一种判断所述待训练的卷积神经网络初步训练是否完成的示例,可以由以下步骤实现:
根据所述训练色调通道判定结果计算得到训练色调通道的损失函数,根据所述训练饱和度通道判定结果计算得到训练饱和度通道的损失函数,根据所述训练明度通道计算得到训练明度通道的损失函数。
判断所述训练色调通道的损失函数、训练饱和度通道的损失函数和训练明度通道的损失函数的数值是否达到各自对应的预设损失函数阈值,若达到,则判定所述待训练的卷积神经网络初步训练完成,若未达到,则调整所述第一卷积层和第二卷积层的数据,并返回执行所述将所述训练色调通道、训练饱和度通道和训练明度通道输入所述第一卷积层至输出得到训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果的步骤,直至所述训练色调通道的损失函数、训练饱和度通道的损失函数和训练明度通道的损失函数的数值达到各自对应的预设损失函数阈值。
可以根据从待训练的卷积神经网络中输出的训练色调通道判定结果计算得到训练色调通道的损失函数,根据所述训练饱和度通道判定结果计算得到训练饱和度通道的损失函数,根据所述训练明度通道计算得到训练明度通道的损失函数,在三者都达到了各自对应的预设损失函数阈值时,可以认为初步训练完成,可以进行采用目标车辆的HSV测试图像完成对待测试的卷积神经网络的完整的训练的步骤,而在三者都未达到各自对应的预设损失函数阈值时,需要对网络参数进行调整,可以通过调整第一卷积层和第二卷积层的数据,具体的,可以调整调整第一卷积层和第二卷积层的卷积核。在调整了网络参数后,可以返回执行前述初步训练的过程,直至经过前述的待训练的卷积神经网络输出的训练色调通道判定结果计算得到训练色调通道的损失函数,根据所述训练饱和度通道判定结果计算得到训练饱和度通道的损失函数,根据所述训练明度通道计算得到训练明度通道的损失函数都达到各自对应的预设损失函数阈值。
除此之外,本实施例还提供了一种获取目标车辆的RGB图像的示例,可以通过以下步骤实现:
获取包含待处理目标车辆的RGB图像的图像。
根据YOLO网络从所述包含待处理目标车辆的RGB图像的图像中裁剪得到待处理目标车辆的RGB图像。
将所述待处理目标车辆的RGB图像调整至预设大小,得到所述目标车辆的RGB图像。
在本实施例中,可以先获取包含待处理目标车辆的RGB图像的图像,可以通过YOLO网络从所述包含待处理目标车辆的RGB图像的图像中裁剪得到待处理目标车辆的RGB图像,而YOLO网络可以从图像中找到设定的目标图像,例如,为了能够更为准确的对车辆颜色进行判断,本实施例中的目标车辆的RGB图像可以是车辆引擎盖的图像,也可以是车辆侧门的图像,而在获取这些图像后,为了能够将其输入神经网络中,可以定制一个统一的标准,设定为预设大小,例如前述的可以将目标车辆的RGB图像的大小统一设定为240×240。
本实施例提供一种车辆颜色识别装置110的示例,请参照图3,车辆颜色识别装置110包括:
获取模块1101,用于获取目标车辆的RGB图像,将所述目标车辆的RGB图像转化为目标HSV图像,其中,所述目标HSV图像包括目标色调通道、目标饱和度通道和目标明度通道。
计算模块1102,用于将所述目标色调通道、目标饱和度通道和目标明度通道输入预先构建的卷积神经网络中进行颜色判别,计算得到色调判别结果、饱和度判别结果和明度判别结果。
判定模块1103,用于根据所述色调判别结果、饱和度判别结果和明度判别结果,计算得到所述目标车辆的颜色。
本实施例中车辆颜色识别装置110的实现原理与前述车辆颜色识别方法的实现原理一致,在此不再赘述。
本实施例提供一种计算机设备100,所述计算机设备100包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述计算机设备100执行前述的车辆颜色识别方法。如图4所示,图4为本申请实施例提供的计算机设备100的结构框图。所述计算机设备100包括车辆颜色识别装置110、存储器111、处理器112及通信单元113。
所述存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述车辆颜色识别装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器111中或固化在所述计算机设备100的操作***(operatingsystem,OS)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块,例如所述车辆颜色识别装置110所包括的软件功能模块及计算机程序等。
其中,所述存储器111可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
本实施例提供一种可读存储介质,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在计算机设备100执行前述的车辆颜色识别方法。
综上所述,本申请实施例提供了一种车辆颜色识别方法、装置、计算机设备和可读存储介质,通过将目标车辆的RGB图像巧妙地转化为目标HSV图像,并将目标HSV图像包括的目标色调通道、目标饱和度通道和目标明度通道输入到预先设定的卷积神经网络中进行颜色识别,根据卷积神经网络网络输出的色调判别结果、饱和度判别结果和明度判别结果,可靠、准确地计算得到所述目标车辆的颜色。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种车辆颜色识别方法,其特征在于,包括:
获取目标车辆的RGB图像,将所述目标车辆的RGB图像转化为目标HSV图像,其中,所述目标HSV图像包括目标色调通道、目标饱和度通道和目标明度通道;
将所述目标色调通道、目标饱和度通道和目标明度通道输入预先构建的卷积神经网络中进行颜色判别,计算得到色调判别结果、饱和度判别结果和明度判别结果;
根据所述色调判别结果、饱和度判别结果和明度判别结果,计算得到所述目标车辆的颜色;
所述卷积神经网络通过以下步骤构建:
获取目标车辆的HSV训练图像和目标车辆的HSV测试图像,所述目标车辆的HSV训练图像包括训练色调通道、训练饱和度通道和训练明度通道,所述目标车辆的HSV测试图像包括测试色调通道、测试饱和度通道和训练明度通道;
将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练和参数更新;
将所述目标车辆的HSV测试图像包括的测试色调通道、测试饱和度通道和训练明度通道输入经过网络训练和参数更新的待训练的卷积神经网络中,判断所述经过网络训练和参数更新的待训练的卷积神经网络的输出结果的准确率是否满足预设要求,若满足,则将所述经过网络训练和参数更新的待训练的卷积神经网络作为所述预先构建的卷积神经网络,若不满足,则调整所述待训练的卷积神经网络的超参数,并返回执行所述将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练和参数更新的步骤,直至经过网络训练和参数更新的待训练的卷积神经网络的输出结果的准确率满足预设要求;
所述待训练的卷积神经网络包括第一卷积层、第二卷积层、第一池化层、第二池化层和全局连接层,将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练的步骤包括:
将所述训练色调通道、训练饱和度通道和训练明度通道输入所述第一卷积层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第一训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第一训练特征图像输入所述第一池化层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第二训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第二训练特征图像输入所述第一池化层和第二卷积层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第三训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第三训练特征图像输入所述第二池化层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第四训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第四训练特征图像输入所述全局连接层,输出得到训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果;
根据所述训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果,判断所述待训练的卷积神经网络初步训练是否完成。
2.根据权利要求1所述的方法,其特征在于,所述判断所述待训练的卷积神经网络初步训练是否完成包括:
根据所述训练色调通道判定结果计算得到训练色调通道的损失函数,根据所述训练饱和度通道判定结果计算得到训练饱和度通道的损失函数,根据所述训练明度通道计算得到训练明度通道的损失函数;
判断所述训练色调通道的损失函数、训练饱和度通道的损失函数和训练明度通道的损失函数的数值是否达到各自对应的预设损失函数阈值,若达到,则判定所述待训练的卷积神经网络初步训练完成,若未达到,则调整所述第一卷积层和第二卷积层的数据,并返回执行所述将所述训练色调通道、训练饱和度通道和训练明度通道输入所述第一卷积层至输出得到训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果的步骤,直至所述训练色调通道的损失函数、训练饱和度通道的损失函数和训练明度通道的损失函数的数值达到各自对应的预设损失函数阈值。
3.根据权利要求1所述的方法,其特征在于,所述获取目标车辆的RGB图像包括:
获取包含待处理目标车辆的RGB图像的图像;
根据YOLO网络从所述包含待处理目标车辆的RGB图像的图像中裁剪得到待处理目标车辆的RGB图像;
将所述待处理目标车辆的RGB图像调整至预设大小,得到所述目标车辆的RGB图像。
4.根据权利要求3所述的方法,其特征在于,所述目标车辆的RGB图像的预设大小为240×240,所述第一卷积层的卷积核大小为3×3,步长为1,内边距为1,所述第二卷积层的卷积核大小为5×5,步长为1,内边距为2,所述第一池化层为2×2的最大池化层,所述第二池化层为5×5的平均池化层。
5.根据权利要求1所述的方法,其特征在于,所述待训练的卷积神经网络的超参数包括学习率、批处理尺寸和迭代次数。
6.一种车辆颜色识别装置,其特征在于,包括:
获取模块,用于获取目标车辆的RGB图像,将所述目标车辆的RGB图像转化为目标HSV图像,其中,所述目标HSV图像包括目标色调通道、目标饱和度通道和目标明度通道;
计算模块,用于将所述目标色调通道、目标饱和度通道和目标明度通道输入预先构建的卷积神经网络中进行颜色判别,计算得到色调判别结果、饱和度判别结果和明度判别结果;
判定模块,用于根据所述色调判别结果、饱和度判别结果和明度判别结果,计算得到所述目标车辆的颜色;
所述卷积神经网络是通过以下方式构建的:
获取目标车辆的HSV训练图像和目标车辆的HSV测试图像,所述目标车辆的HSV训练图像包括训练色调通道、训练饱和度通道和训练明度通道,所述目标车辆的HSV测试图像包括测试色调通道、测试饱和度通道和训练明度通道;
将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练和参数更新;
将所述目标车辆的HSV测试图像包括的测试色调通道、测试饱和度通道和训练明度通道输入经过网络训练和参数更新的待训练的卷积神经网络中,判断所述经过网络训练和参数更新的待训练的卷积神经网络的输出结果的准确率是否满足预设要求,若满足,则将所述经过网络训练和参数更新的待训练的卷积神经网络作为所述预先构建的卷积神经网络,若不满足,则调整所述待训练的卷积神经网络的超参数,并返回执行所述将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练和参数更新的步骤,直至经过网络训练和参数更新的待训练的卷积神经网络的输出结果的准确率满足预设要求;
所述待训练的卷积神经网络包括第一卷积层、第二卷积层、第一池化层、第二池化层和全局连接层;
将所述训练色调通道、训练饱和度通道和训练明度通道输入所述第一卷积层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第一训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第一训练特征图像输入所述第一池化层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第二训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第二训练特征图像输入所述第一池化层和第二卷积层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第三训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第三训练特征图像输入所述第二池化层,计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第四训练特征图像,将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第四训练特征图像输入所述全局连接层,输出得到训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果;
根据所述训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果,判断所述待训练的卷积神经网络初步训练是否完成。
7.一种计算机设备,其特征在于,所述计算机设备包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述计算机设备执行权利要求1-5中任意一项所述的车辆颜色识别方法。
8.一种可读存储介质,其特征在于,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在计算机设备执行权利要求1-5中任意一项所述的车辆颜色识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911003792.7A CN110781904B (zh) | 2019-10-22 | 2019-10-22 | 车辆颜色识别方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911003792.7A CN110781904B (zh) | 2019-10-22 | 2019-10-22 | 车辆颜色识别方法、装置、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781904A CN110781904A (zh) | 2020-02-11 |
CN110781904B true CN110781904B (zh) | 2022-08-02 |
Family
ID=69384422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911003792.7A Active CN110781904B (zh) | 2019-10-22 | 2019-10-22 | 车辆颜色识别方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781904B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384117A (zh) * | 2016-09-14 | 2017-02-08 | 东软集团股份有限公司 | 一种车辆颜色识别方法及装置 |
CN106651966A (zh) * | 2016-09-26 | 2017-05-10 | 广东安居宝数码科技股份有限公司 | 图片颜色识别方法和*** |
CN110298893A (zh) * | 2018-05-14 | 2019-10-01 | 桂林远望智能通信科技有限公司 | 一种行人衣着颜色识别模型的生成方法及装置 |
-
2019
- 2019-10-22 CN CN201911003792.7A patent/CN110781904B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384117A (zh) * | 2016-09-14 | 2017-02-08 | 东软集团股份有限公司 | 一种车辆颜色识别方法及装置 |
CN106651966A (zh) * | 2016-09-26 | 2017-05-10 | 广东安居宝数码科技股份有限公司 | 图片颜色识别方法和*** |
CN110298893A (zh) * | 2018-05-14 | 2019-10-01 | 桂林远望智能通信科技有限公司 | 一种行人衣着颜色识别模型的生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110781904A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
EP3063289B1 (en) | Method and system for classifying and identifying individual cells in a microscopy image | |
KR101640998B1 (ko) | 화상 처리 장치 및 화상 처리 방법 | |
CN109978890A (zh) | 基于图像处理的目标提取方法、装置及终端设备 | |
CN109101934A (zh) | 车型识别方法、装置与计算机可读存储介质 | |
CN104854620A (zh) | 图像处理装置、图像处理***和程序 | |
CN111951933A (zh) | 眼底彩照图像分级方法、装置、计算机设备及存储介质 | |
US20190325567A1 (en) | Dynamic image modification based on tonal profile | |
CN109152517B (zh) | 图像处理装置、图像处理装置的控制方法和记录介质 | |
CN109871845A (zh) | 证件图像提取方法及终端设备 | |
CN114066857A (zh) | 红外图像质量评价方法、装置、电子设备及可读存储介质 | |
CN115619787B (zh) | 一种uv胶缺陷检测方法、***、设备及介质 | |
CN111784665B (zh) | 基于傅里叶变换的oct图像质量评估方法、***及装置 | |
CN114677316B (zh) | 可实时的可见光图像与红外图像多通道融合方法及装置 | |
CN112750162A (zh) | 一种目标识别定位方法和装置 | |
CN109949248A (zh) | 修改车辆在图像中的颜色的方法、装置、设备及介质 | |
CN111967401A (zh) | 目标检测方法、设备及存储介质 | |
CN109101922A (zh) | 作业人员着装分析方法、装置及电子设备 | |
CN111325211A (zh) | 车辆颜色的自动识别方法、电子装置、计算机设备和介质 | |
CN110781904B (zh) | 车辆颜色识别方法、装置、计算机设备和可读存储介质 | |
CN111387932A (zh) | 一种视力检测方法、装置及设备 | |
CN111428779B (zh) | 一种确定补光灯照射范围方法、装置、设备及存储介质 | |
CN106530286A (zh) | 确定清晰度级别的方法及装置 | |
CN113963428B (zh) | 模型训练方法、遮挡检测方法、***、电子设备及介质 | |
WO2022141476A1 (zh) | 一种图像处理方法、数据的获取方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |